張碧瑩 王梅

文章編號(hào)： 2095-2163（2018）03-0006-05中圖分類號(hào)： 文獻(xiàn)標(biāo)志碼： A

摘要： 關(guān)鍵詞： （School of Computer Science and Technology， Donghua University， Shanghai 201620， China）

Abstract： In view of the present higher incidence of hyperthyroidism disease， according to its characteristics of disease development， hyperthyroidism stage forecast model is put forward. Based on the open source Rocket.Chat remote communication software， the article realizes the real-time interactive exchange platform for patients and doctors. Further， this article will insert the hyperthyroidism stage forecast model into the interactive communication platform， design a doctor recommended algorithm based on the mapping rules of hyperthyroidism stage with doctor title， doctor department and doctor appointment-time. This algorithm reasonably distributes the physician resources to the patients on different degrees of the disease， not only balances the matching proportion of doctors and patients， but also improves the medical care efficiency of the hospital.

Key words：

收稿日期： 引言

隨著社會(huì)經(jīng)濟(jì)的發(fā)展與人民生活水平的提高，人們?cè)絹碓疥P(guān)注自己的健康，均希望獲得便捷和高質(zhì)量的醫(yī)療保健服務(wù)[1]。然而，由于優(yōu)質(zhì)醫(yī)療資源的就醫(yī)限制以及醫(yī)療資源的分布差異，致使目前的醫(yī)療服務(wù)難以普遍地滿足病人需求。在這種情況下，遠(yuǎn)程醫(yī)療服務(wù)系統(tǒng)應(yīng)運(yùn)而生[2]。遠(yuǎn)程醫(yī)療服務(wù)系統(tǒng)借助于遠(yuǎn)程通信技術(shù)、電子、計(jì)算機(jī)技術(shù)實(shí)現(xiàn)專家與病人、專家與醫(yī)務(wù)人員之間異地“面對(duì)面”的會(huì)診，對(duì)于充分發(fā)揮大型醫(yī)療中心的技術(shù)優(yōu)勢(shì)、提升診療效率與效果具有重要意義[3]。

本文針對(duì)目前發(fā)病率較高的甲亢疾病，根據(jù)其疾病發(fā)展特點(diǎn)，提出了甲亢分期預(yù)測(cè)模型，并基于開源Rocket.Chat遠(yuǎn)程溝通軟件，實(shí)現(xiàn)了患者與醫(yī)生實(shí)時(shí)互動(dòng)的交流平臺(tái)。進(jìn)一步，本文將甲亢分期預(yù)測(cè)模型嵌入互動(dòng)交流平臺(tái)中，提出了基于預(yù)測(cè)結(jié)果的醫(yī)生資源推薦算法，將醫(yī)師資源合理分配給不同患病程度的患者，不僅平衡了醫(yī)生與患者的匹配比例，同時(shí)提高了醫(yī)院的就診效率。論文使用302名不同階段的甲亢患者用戶和63名不同級(jí)別的醫(yī)生用戶進(jìn)行病情預(yù)測(cè)模擬和醫(yī)生推薦模擬實(shí)驗(yàn)，驗(yàn)證了本文方法的有效性。

1相關(guān)工作

國外早在80年代就已開始對(duì)Web醫(yī)療服務(wù)系統(tǒng)的研發(fā)。目前，國內(nèi)也出現(xiàn)了不少相關(guān)研究，如李殿奎等人[4]研發(fā)的基于Web方式的社區(qū)醫(yī)療服務(wù)系統(tǒng)和張胤等人[5]設(shè)計(jì)的基于Web平臺(tái)的醫(yī)療自助服務(wù)系統(tǒng)。在這些已有的系統(tǒng)中，通常僅提供了面向患者用戶的服務(wù)，往往缺少面向醫(yī)生的服務(wù)和醫(yī)患交流的平臺(tái)。由于醫(yī)生與患者之間缺少方便溝通的渠道，且大多數(shù)患者存在擇優(yōu)與從眾心理，使得用戶往往僅憑個(gè)人判斷提交醫(yī)生選擇，導(dǎo)致預(yù)約中患者與醫(yī)師的分配比例嚴(yán)重失衡，一部分醫(yī)生就診壓力過大，一部分醫(yī)生卻無患可治[6]。

Rocket.Chat作為功能最豐富的 Slack開源產(chǎn)品之一，是一個(gè)基于Web平臺(tái)的遠(yuǎn)程溝通軟件，其功能包括：單人/群組聊天、媒體嵌入、文件上傳、語音視頻通話等等[7]。本文將甲亢分期預(yù)測(cè)模型與Rocket.Chat系統(tǒng)結(jié)合，不僅為醫(yī)生和患者提供了在線交流平臺(tái)，同時(shí)根據(jù)甲亢疾病特點(diǎn)實(shí)現(xiàn)了基于模型的輔助預(yù)測(cè)和醫(yī)師推薦，患者可使用系統(tǒng)進(jìn)行方便快捷的醫(yī)生預(yù)約，醫(yī)生可通過輔助預(yù)測(cè)對(duì)患者進(jìn)行更加精確有效的病情診斷。

2系統(tǒng)框架設(shè)計(jì)與功能模塊

本系統(tǒng)在Rocket.Chat開源代碼的基礎(chǔ)上內(nèi)聯(lián)基于預(yù)測(cè)模型的醫(yī)療服務(wù)系統(tǒng)，通過劃分醫(yī)生和患者2種用戶角色，實(shí)現(xiàn)醫(yī)生與患者間的在線互動(dòng)、病情預(yù)測(cè)、醫(yī)療資源推薦以及在線預(yù)約的系統(tǒng)功能。

本系統(tǒng)的框架分為3層結(jié)構(gòu)，包括有：data數(shù)據(jù)層、biz業(yè)務(wù)層和Web表示層。其中，數(shù)據(jù)層用于存儲(chǔ)用戶的基本信息、聊天記錄、上傳文件以及血檢指標(biāo)、預(yù)約記錄等數(shù)據(jù)。表示層由控制器controller和視圖層view組成，系統(tǒng)通過視圖層的界面與用戶進(jìn)行交互，并通過控制器將接口數(shù)據(jù)交由指定的業(yè)務(wù)模塊處理，通過劃分 UI 界面向不同角色的用戶展示不同的信息和操作接口，用戶可根據(jù)需求發(fā)送不同的業(yè)務(wù)請(qǐng)求。業(yè)務(wù)層將重點(diǎn)管控系統(tǒng)的業(yè)務(wù)邏輯，本系統(tǒng)的業(yè)務(wù)層由2部分組成。一部分是基于Rocket.Chat系統(tǒng)的業(yè)務(wù)模塊，包括群組聊天、視頻通話等；另一部分是基于醫(yī)療服務(wù)系統(tǒng)的業(yè)務(wù)模塊。具體來說，面向醫(yī)生用戶的業(yè)務(wù)有提交診斷、添加健康記錄等，面向患者用戶的業(yè)務(wù)有甲亢分期預(yù)測(cè)、醫(yī)療資源推薦及在線預(yù)約。

研究中，各業(yè)務(wù)模塊的關(guān)鍵設(shè)計(jì)功能可分述如下：

（1）在線互動(dòng)。該模塊基于Rocket.Chat開源系統(tǒng)，主要包括添加好友、單人會(huì)話、群體會(huì)話、語音通話、多人視頻通話等子功能。

（2）醫(yī)生服務(wù)。該模塊主要包括查看患者預(yù)約信息、添加日記、查看患者健康記錄、添加診斷、添加患者健康記錄等功能。

（3）病情預(yù)測(cè)。該功能主要為患者預(yù)測(cè)其甲亢病情階段。用戶從界面輸入待預(yù)測(cè)指標(biāo)數(shù)據(jù)，系統(tǒng)調(diào)用預(yù)測(cè)模型對(duì)患者數(shù)據(jù)進(jìn)行預(yù)測(cè)，最后將患者指標(biāo)和預(yù)測(cè)結(jié)果同時(shí)返回至用戶界面。

（4）醫(yī)師推薦。該功能將根據(jù)患者的病情預(yù)測(cè)結(jié)果為其推薦預(yù)約醫(yī)生。用戶通過點(diǎn)擊“推薦”按鈕觸發(fā)該功能，系統(tǒng)從數(shù)據(jù)庫中讀取用戶的預(yù)測(cè)結(jié)果，并調(diào)用推薦算法篩選出最契合患者病情的醫(yī)生對(duì)象，再將醫(yī)生的簡介、可預(yù)約時(shí)間等基本信息展示至用戶界面。

（5）線上預(yù)約。該功能為患者提供預(yù)約醫(yī)生服務(wù)。用戶通過點(diǎn)擊按鈕確認(rèn)時(shí)間、留言等預(yù)約信息，系統(tǒng)將保存預(yù)約信息至數(shù)據(jù)庫，并將其推送至被預(yù)約醫(yī)生的系統(tǒng)界面，患者同時(shí)可在自己的事件界面中查看預(yù)約信息。

3系統(tǒng)關(guān)鍵技術(shù)

本文針對(duì)上述系統(tǒng)功能模塊的實(shí)現(xiàn)提出了2種具有代表性的關(guān)鍵技術(shù)，一種是病情預(yù)測(cè)模塊中針對(duì)甲亢疾病應(yīng)用的分期預(yù)測(cè)模型，一種是醫(yī)師推薦模塊中基于預(yù)測(cè)結(jié)果研發(fā)的推薦算法。下面對(duì)這2種關(guān)鍵技術(shù)進(jìn)行詳細(xì)分析論述。

3.1甲亢分期預(yù)測(cè)模型

經(jīng)臨床醫(yī)學(xué)研究發(fā)現(xiàn)，甲狀腺疾病的臨床診斷和治療與血清中的促甲狀腺素TSH、游離三碘甲腺原氨酸FT3和游離甲狀腺素FT4以及甲狀腺受體抗體TRAB的變化密切相關(guān)[8]。在甲亢患者的治療過程中，其血清指標(biāo)FT3、FT4最先恢復(fù)正常，而后是指標(biāo)TSH恢復(fù)正常，指標(biāo)TRAB往往在治愈后才會(huì)由陽性轉(zhuǎn)變?yōu)殛幮訹9]。基于這一重要認(rèn)知，本文將甲亢疾病的病情發(fā)展按照指標(biāo)變化情況劃分為7個(gè)階段，分別是：發(fā)病、臨床緩解、生化緩解、免疫緩解、免疫治愈、再燃、復(fù)發(fā)，并依據(jù)各階段指標(biāo)變化規(guī)律設(shè)計(jì)了如下階段判定函數(shù)：

（1）發(fā)?。╢unction1）：判斷樣本數(shù)據(jù)的FT3、FT4指標(biāo)是否偏高，TSH指標(biāo)是否偏低。如果滿足則返回1，否則返回0。

（2）臨床緩解（function2）：判斷樣本數(shù)據(jù)的FT3、FT4是否均為正常，如果滿足則返回1，否則返回0。

（3）生化緩解（function3）：判斷樣本數(shù)據(jù)的FT3、FT4、TSH是否均為正常，如果滿足返回1，否則返回0。

（4）免疫緩解（function4）：判斷樣本數(shù)據(jù)的FT3、FT4、TSH、TRAB是否均為正常，如果滿足則返回1，否則返回0。

（5）免疫治愈（function5）：判斷樣本數(shù)據(jù)所有指標(biāo)是否均為正常，如果正常，則進(jìn)一步判斷患者前2次預(yù)測(cè)結(jié)果是否均處于免疫緩解階段或前一次預(yù)測(cè)結(jié)果是否處于免疫治愈階段。若滿足則返回1，否則返回0。

（6）再燃（function6）：判斷樣本數(shù)據(jù)是否處于發(fā)病階段，如果是，則進(jìn)一步判斷患者前一次預(yù)測(cè)結(jié)果是否處于緩解階段或再燃階段，若滿足則返回1，否則返回0。

（7）復(fù)發(fā)（function7）：判斷樣本數(shù)據(jù)是否處于發(fā)病階段，如果是，則進(jìn)一步判斷患者前一次預(yù)測(cè)結(jié)果是否處于免疫治愈階段或復(fù)發(fā)階段，若滿足則返回1，否則返回0。

基于上述判定函數(shù)，本文研發(fā)設(shè)計(jì)了甲亢分期預(yù)測(cè)算法，其算法思路為：依次使用各階段判定函數(shù)處理輸入數(shù)據(jù)，按判定順序取其最后一個(gè)結(jié)果為1的階段輸出。研究推得，算法調(diào)試后的具體流程可見如下。

為待預(yù)測(cè)的樣本數(shù)據(jù)，由FT3、FT4、TSH、TRAB這4個(gè)指標(biāo)組成；HistroyResult[]為按時(shí)間升序排序的歷史預(yù)測(cè)結(jié)果數(shù)組；resultlist用于保存7個(gè)階段判定函數(shù)的結(jié)果，function1～7分別代表上述7個(gè)階段判定函數(shù)。[BT5]3.2]醫(yī)生推薦算法本文研發(fā)設(shè)計(jì)了一種基于3.1節(jié)的甲亢分期預(yù)測(cè)模型的醫(yī)生推薦算法。圖2為算法設(shè)計(jì)流程圖。該算法結(jié)合醫(yī)生職稱、科室及可預(yù)約時(shí)間等信息對(duì)醫(yī)生對(duì)象進(jìn)行篩選和加權(quán)處理，最后通過權(quán)值排序選出所獲權(quán)值最高的醫(yī)生作為推薦結(jié)果。算法主要分為職稱篩選、科室加權(quán)、可預(yù)約時(shí)間加權(quán)、權(quán)值排序這4個(gè)步驟。各步驟內(nèi)容可詳述如下。[PS張碧瑩2.EPS；S*2；X*2，BP#][HT6H][ST6HZ][WT6HZ][JZ]圖2]推薦算法流程圖[JZ]Fig. 2]Recommendation algorithm flow chart[HT5SS][ST5BZ][WT5BZ]]]（1）職稱篩選。該步驟按職稱為不同階段的患者篩選醫(yī)生。將職稱為主任醫(yī)師的醫(yī)生分配給發(fā)病、再燃和復(fù)發(fā)階段患者，而職稱為副主任醫(yī)師的醫(yī)生將分配給臨床緩解、免疫緩解、生化緩解和免疫治愈階段患者。（2）科室加權(quán)。該步驟按科室為醫(yī)生對(duì)象分配權(quán)值。首先將醫(yī)生科室劃分為4類：核醫(yī)學(xué)、內(nèi)分泌、普通外科及其它科室，然后依據(jù)患者病情輕重程度，制定了各階段科室加權(quán)規(guī)則，對(duì)其表述如下：① 發(fā)病階段：核醫(yī)學(xué)>內(nèi)分泌>普外>其它。② 臨床緩解階段：內(nèi)分泌>核醫(yī)學(xué)>普外>其它。③ 生化緩解階段：內(nèi)分泌>普外>核醫(yī)學(xué)>其它。④ [JP3]免疫緩解階段：普外>內(nèi)分泌>核醫(yī)學(xué)>其它。[JP]⑤ [JP3]免疫治愈階段：其它>普外>內(nèi)分泌>核醫(yī)學(xué)。[JP]⑥ 再燃階段：內(nèi)分泌>核醫(yī)學(xué)>普外>其它。⑦ 復(fù)發(fā)階段：核醫(yī)學(xué)>普外>內(nèi)分泌>其它。最后，依據(jù)該規(guī)則為上一步驟篩選出的醫(yī)生分配權(quán)值。（3）可預(yù)約時(shí)間加權(quán)。該步驟按可預(yù)約時(shí)間為醫(yī)生對(duì)象分配權(quán)值。首先計(jì)算醫(yī)生對(duì)象的全部可預(yù)約時(shí)間，然后比較可預(yù)約時(shí)間與當(dāng)前時(shí)間的時(shí)間差，按權(quán)值與時(shí)間差成反比的規(guī)則為醫(yī)生對(duì)象分配權(quán)值。（4）權(quán)值排序。該步驟對(duì)上述2個(gè)加權(quán)步驟中醫(yī)生對(duì)象所得的權(quán)值進(jìn)行降序排序，并返回醫(yī)生對(duì)象。至此可得，該算法的具體流程如下所示。

為醫(yī)生對(duì)象數(shù)組；Index為患者的預(yù)測(cè)結(jié)果；title_select（）函數(shù)為上述職稱篩選步驟；depart_weight（）函數(shù)為上述科室加權(quán)步驟；Appoint_time用于保存醫(yī)生的可預(yù)約時(shí)間；sort（）函數(shù)執(zhí)行的是上述權(quán)值排序步驟。[LL][BT4]4]系統(tǒng)實(shí)驗(yàn)與分析本系統(tǒng)實(shí)驗(yàn)使用了302個(gè)不同階段的甲亢患者用戶和63個(gè)醫(yī)生用戶進(jìn)行病情預(yù)測(cè)模擬和醫(yī)生推薦模擬實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如下：各階段患者人數(shù)與推薦醫(yī)生人數(shù)分布情況如圖3所示。從圖3中可以看出，發(fā)病階段的患者較多，緩解及治愈階段的人數(shù)逐級(jí)遞減，各階段推薦醫(yī)生的人數(shù)分布較為均勻。 [PS張碧瑩3.EPS；S*2；X*1，BP#][HT6H][ST6HZ][WT6HZ][JZ]圖3]甲亢各階段患者與醫(yī)生人數(shù)統(tǒng)計(jì)[JP3][JZ]Fig. 3]The number of patients and doctors in hyperthyroidism stages[JP][HT5SS][ST5BZ][WT5BZ]]]基于3.2節(jié)中提出的推薦算法，本實(shí)驗(yàn)統(tǒng)計(jì)了各階段被推薦醫(yī)生的職稱、科室及平均預(yù)約時(shí)間差的分布情況。其中，平均預(yù)約時(shí)間差的計(jì)算方法為：Davg=〖SX（〗∑〖DD（〗n〖〗i=1〖DD）〗〖JB（（〗可預(yù)約日期-預(yù)約當(dāng)天日期〖JB））〗〖〗醫(yī)生人數(shù)〖SX）〗[JY]（1）]]統(tǒng)計(jì)結(jié)果可見表1。經(jīng)對(duì)比發(fā)現(xiàn)，不同職稱的醫(yī)生按階段劃分得較為明顯，不同科室的醫(yī)生在每個(gè)階段中分布均較為均勻，各階段平均預(yù)約時(shí)間差均較小，且最大值不超過3天。由此說明，該算法推薦的可預(yù)約時(shí)間較靠前，能夠滿足用戶對(duì)診療時(shí)間的實(shí)際需求。綜上所述，該推薦算法對(duì)于平衡醫(yī)師分配比例具有一定成效，此實(shí)驗(yàn)結(jié)果證明了這種基于模型的醫(yī)生推薦算法的確能夠提高醫(yī)療服務(wù)系統(tǒng)的智能性。[FL）][HT6H][ST6HZ][WT6HZ][JZ]

結(jié)束語本文實(shí)現(xiàn)了一個(gè)基于Rocket.Chat開源平臺(tái)的Web醫(yī)療服務(wù)系統(tǒng)，提出了一種基于患者血檢指標(biāo)變化規(guī)律的甲亢分期預(yù)測(cè)模型，設(shè)計(jì)了一種基于模型預(yù)測(cè)結(jié)果的醫(yī)生推薦算法，實(shí)現(xiàn)了基于模型和推薦算法的病情預(yù)測(cè)、醫(yī)師推薦和在線預(yù)約功能。目前，本文實(shí)現(xiàn)的醫(yī)療服務(wù)系統(tǒng)還存在一定的不足，病情預(yù)測(cè)功能僅支持甲亢疾病，推薦算法的規(guī)則也較為簡單。在接下來的研究中，將會(huì)在推薦算法中加入基于醫(yī)生評(píng)價(jià)的推薦規(guī)則，開發(fā)其它病種的病情預(yù)測(cè)服務(wù)，進(jìn)一步優(yōu)化系統(tǒng)的功能與性能。[HS2][HT5H]

參考文獻(xiàn)[HT][WT6B1][ST6BZ][HT6SS][1] [ZK（#〗[HJ*2] 汪鵬， 吳昊， 羅陽，等. 醫(yī)療大數(shù)據(jù)應(yīng)用需求分析與平臺(tái)建設(shè)構(gòu)想[J]. 中國醫(yī)院管理， 2015， 35（6）：40-42.[2] 楊友春， 毛琦敏， 周麗君，等. 遠(yuǎn)程醫(yī)療系統(tǒng)與技術(shù)研究進(jìn)展[J]. 電子工程師， 1999（3）：7-10.[3] 陳疆. 基于Web的遠(yuǎn)程醫(yī)療系統(tǒng)的研究與實(shí)現(xiàn)[D]. 長沙：中南大學(xué)， 2008.[4] 李殿奎， 趙鐵銘， 曲若梅. 基于Web方式的社區(qū)醫(yī)療服務(wù)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 佳木斯大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2002， 20（1）：95-98.[5] 張胤， 尹長青. 基于Web服務(wù)的醫(yī)療自助服務(wù)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 電腦知識(shí)與技術(shù)， 2015， 11（32）：69-70，73.[6] M·G·曼寧， M·J·E·明尼蒂， I·G·勞森，等. 患者互動(dòng)式醫(yī)療保健系統(tǒng)和數(shù)據(jù)庫：中國， CN103688263A[P]. 2014-03-26.[7] Rocket.Chat. Open source communication [EB/OL]. [2018].https：//rocket.chat.[8] 李爾凡， 嚴(yán)海燕， 鐘麗玲，等. 常用甲狀腺功能檢測(cè)指標(biāo)不同組合模式的臨床診斷價(jià)值[J]. 醫(yī)學(xué)信息（上旬刊）， 2011， 24（7）：4150-4152.[9]李淑珍， 沈煒英，楊蔭宇，等. 甲狀腺激素濃度對(duì)估計(jì)甲亢病情程度的意義[J]. 廣西醫(yī)學(xué)， 1993，15（5）：403-405.[ZK）][FL）][HT5SS][ST5BZ][WT5BZ][CDF46][HT5SS][ST5BZ][WT5BZ]（上接第5頁）[FL（2K2][HT6SS][ST6BZ][WT6B1][11][ZK（#]HONG Yu， ZHANG Jianfeng， MA Bin， et al. Using cross-entity inference to improve event extraction[C]// Proceedings of 49th Annual Meeting of ACL. Portland， Oregon， USA： Association for Computational Linguistics， 2011： 1127-1136.[12]CHEN Yubo， XU Liheng， LIU Kang， et al. Event extraction via dynamic multi-pooling convolutional neural networks[C]//Proceedings of 53rd ACL. Beijing， China： Association for Computational Linguistics， 2015： 167-176.[13]NGUYEN T H， GRISHMAN R. Event detection and domain adaptation with convolutional neural networks[C]// Proceedings of 53rd ACL. Beijing， China： Association for Computational Linguistics， 2015： 365-371.[14]NGUYEN T H， GRISHMAN R. Modeling skip-grams for event detection with convolutional neural networks[C]// Proceedings of 2016 Conference on Empirical Method in Natural Language Processing. Austin， Texas， USA： Association for Computational Linguistics， 2016： 886-891.[15]FENG Xiaocheng， HUANG Lifu， TANG Duyu， et al. A language independent neural network for event detection[C]// Proceedings of 54th Annual Meeting of ACL. Berlin， Germany： Association for Computational Linguistics， 2016： 66-71.[16]LIU Shulin， CHEN Yubo， LIU Kang， et al. Exploiting argument information to improve event detection via supervised attention mechanisms[C]//Proceedings of 55th ACL. Vancouver， Canada： Association for Computational Linguistics， 2017： 1789-1798.[17][JP2]BENGIO Y， DUCHARME R， VINCENT P. A neural probabilistic language model[J]//Journal of Machine Learning Research， 2000， 3（6）：932-938.[JP][18]MIKOLOV T， SUTSKEVER I， CHEN K， et al. Distributed representations of words and phrases and their compositionality[J]. arXiv preprint arXiv：1310.4546， 2013.[19]COLLOBERT R， WESTON J， BOTTOU L， et al. Natural language processing （almost） from scratch[J]. arXiv preprint arXiv：1103.0398，2011.[20]HOCHREITER S， SCHMIDHUBER J. Long short-term memory[J]. Neural Computing， 1997， 9（8）： 1735-1780.[21]CHO K，van MERRIENBOER B， GULCEHRE C， et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation[C]//proceedings of EMNLP 2014. Doha， Qatar： Association for Computational Linguistics， 2014： 1724-1734.[22]NGUYEN T H， CHO K. GRISHMAN R. Joint event extraction via recurrent neural networks [C]//Proceedings of NAACL-HLT 2016. San Diego， California， USA： Association for Computational Linguistics， 2016： 300-309.[23]YANG Bishan， MITCHELL T M. Joint extraction of events and entities within a document context[C]// Proceedings of NAACL-HLT 2016. San Diego， California， USA： Association for Computational Linguistics， 2016： 289-299.[24]LIAO Shasha. GRISHMAN R. Can document selection help semi-supervised learning？ A case study on event extraction[C]//proceedings of the 49th ACL. Oregon， Portland， USA： Association for Computational Linguistics， 2011： 260-265.[25]ZHU Zhu， LI Shoushan， ZHOU Guodong， et al. Bilingual event extraction： A case study on trigger type determination[C]// proceedings of the 52nd ACL. Baltimore， USA： Association for Computational Linguistics， 2014： 842-847.[26]LIU Shulin， CHEN Yubo， HE Shizhu， et al. Leveraging frame Net to improve automatic event detection[C]//Proceedings of 54th ACL. Berlin， Germany： Association for Computational Linguistics， 2016： 2134-2143.[27]CHEN Yubo， LIU Shulin， ZHANG Xiang， et al. Automatically labeled data generation for large scale event extraction[C]//Proceedings of 55th ACL. Vancouver， Canada： Association for Computational Linguistics， 2017： 409-419.[28]ZENG Ying， FENG Yansong， MA Rong， et al. Scale up event extraction learning via automatic training data generation[J]. arXiv preprint arXiv：1712.03665，2018.[ZK）][FL）]